【技术实现步骤摘要】
本申请涉及人工智能，特别是涉及一种传感设备标定方法、装置和计算机设备，可应用于智能车辆。
技术介绍
1、为了保证车辆自动驾驶的可靠性，需要对车辆内的各传感器之间进行标定（例如，激光雷达与相机），以使各传感器获取到的环境数据之间能够更加匹配。
2、现有的传感设备标定方法，一般用各传感器分别对预先配置出的标定板进行数据采集，随后，根据各传感器的数据采集结果，对各传感器进行标定。
3、然而，采用现有的传感设备标定方法，通过预先配置出的标定板进行传感器标定，无法在车辆运行过程中进行实时标定，降低了传感设备标定的准确性。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高了传感设备标定准确性的传感设备标定方法、装置和计算机设备。
2、第一方面，本申请提供了一种传感设备标定方法，包括：
3、获取目标车辆上的雷达设备采集的目标区域的目标点云数据，以及目标车辆上的图像采集设备采集的目标区域的目标图像数据；
4、采用融合对齐模型，根据目标点云数据和目标图像数据，确定雷达设备和图像采集设备之间的标定结果；
5、其中，融合对齐模型是采用训练数据集对初始模型进行训练得到的；训练数据集是根据目标车辆的配置信息，对公开自动驾驶数据集进行处理得到的；公开自动驾驶数据集包含经过标定的标准点云数据和标准点云数据对应的标准图像数据。
6、在其中一个实施例中，配置信息包括车辆尺寸信息和雷达设备的视场角信息；根据目标车辆的
7、根据车辆尺寸信息，确定平移参数；根据视场角信息，确定旋转角度参数；根据平移参数和旋转角度参数，对公开自动驾驶数据集进行数据增强处理，得到训练数据集。
8、在其中一个实施例中，根据平移参数和旋转角度参数，对公开自动驾驶数据集进行数据增强处理，得到训练数据集，包括：
9、根据平移参数和旋转角度参数，确定旋转平移矩阵；将公开自动驾驶数据集中各标准数据，分别与旋转平移矩阵相乘，得到各标准数据对应的扩展数据；将各标准数据和各标准数据对应的扩展数据作为训练数据集。
10、在其中一个实施例中，训练数据集包括样本图像数据和样本图像数据对应的样本点云数据；初始模型包括初始图像分支、初始点云分支和初始融合对齐分支，融合对齐模型通过以下方式训练得到：
11、将样本图像数据输入至初始图像分支，得到样本图像数据对应的样本图像特征；根据样本图像数据和样本图像特征，确定图像损失；将样本点云数据输入至初始点云分支，得到样本点云数据对应的样本点云特征；根据样本点云数据和样本点云特征，确定点云损失；根据样本图像特征和样本点云特征，确定重投影误差和特征匹配损失；根据图像损失、点云损失、重投影误差和特征匹配损失，对初始模型进行训练，得到融合对齐模型。
12、在其中一个实施例中，根据样本图像特征和样本点云特征，确定重投影误差和特征匹配损失，包括：
13、将样本点云特征中的各点云特征点，分别向样本图像特征对应的图像平面进行投影，得到各点云特征点对应的投影点；根据样本图像特征中的各图像特征点，与各点云特征点对应的投影点之间的位置误差，确定重投影误差；根据样本图像特征和样本点云特征之间的特征差异，确定特征匹配损失。
14、在其中一个实施例中，融合对齐模型包括目标图像分支、目标点云分支和目标融合对齐分支；采用融合对齐模型，根据目标点云数据和目标图像数据，确定雷达设备和图像采集设备之间的标定结果，包括：
15、基于目标图像分支，对目标图像数据进行特征提取，得到目标图像特征；基于目标点云分支，对目标点云数据进行特征提取，得到目标点云特征；基于目标融合对齐分支，根据目标点云特征和目标图像特征，确定雷达设备和图像采集设备之间的标定结果。
16、在其中一个实施例中，目标图像分支包括卷积神经网络和全连接网络；基于目标图像分支，对目标图像数据进行特征提取，得到目标图像特征，包括：
17、将目标图像数据输入至卷积神经网络进行编码处理，得到编码图像特征；将编码图像特征输入至全连接网络进行解码处理，得到目标图像特征。
18、在其中一个实施例中，目标融合对齐分支包括特征融合网络、编码器和多层感知机；基于目标融合对齐分支，根据目标点云特征和目标图像特征，确定雷达设备和图像采集设备之间的标定结果，包括：
19、将目标点云特征和目标图像特征输入至特征融合网络进行融合处理，得到融合环境特征；将融合环境特征和融合环境特征对应的位置编码信息输入至编码器进行编码处理，得到编码环境特征；将编码环境特征输入至多层感知机进行解码处理，得到雷达设备和图像采集设备之间的标定结果。
20、第二方面，本申请还提供了一种传感设备标定装置，包括：
21、数据获取模块，用于获取目标车辆上的雷达设备采集的目标区域的目标点云数据，以及目标车辆上的图像采集设备采集的目标区域的目标图像数据；
22、结果确定模块，用于采用融合对齐模型，根据目标点云数据和目标图像数据，确定雷达设备和图像采集设备之间的标定结果；
23、其中，融合对齐模型是采用训练数据集对初始模型进行训练得到的；训练数据集是根据目标车辆的配置信息，对公开自动驾驶数据集进行处理得到的；公开自动驾驶数据集包含经过标定的标准点云数据和标准点云数据对应的标准图像数据。
24、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
25、获取目标车辆上的雷达设备采集的目标区域的目标点云数据，以及目标车辆上的图像采集设备采集的目标区域的目标图像数据；
26、采用融合对齐模型，根据目标点云数据和目标图像数据，确定雷达设备和图像采集设备之间的标定结果；
27、其中，融合对齐模型是采用训练数据集对初始模型进行训练得到的；训练数据集是根据目标车辆的配置信息，对公开自动驾驶数据集进行处理得到的；公开自动驾驶数据集包含经过标定的标准点云数据和标准点云数据对应的标准图像数据。
28、第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
29、获取目标车辆上的雷达设备采集的目标区域的目标点云数据，以及目标车辆上的图像采集设备采集的目标区域的目标图像数据；
30、采用融合对齐模型，根据目标点云数据和目标图像数据，确定雷达设备和图像采集设备之间的标定结果；
31、其中，融合对齐模型是采用训练数据集对初始模型进行训练得到的；训练数据集是根据目标车辆的配置信息，对公开自动驾驶数据集进行处理得到的；公开自动驾驶数据集包含经过标定的标准点云数据和标准点云数据对应的标准图像数据。
32、第五方面，本申请还提供了一种计算机程序产品，包本文档来自技高网...
【技术保护点】
1.一种传感设备标定方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述配置信息包括车辆尺寸信息和所述雷达设备的视场角信息；
3.根据权利要求2所述的方法，其特征在于，所述根据所述平移参数和所述旋转角度参数，对公开自动驾驶数据集进行数据增强处理，得到训练数据集，包括：
4.根据权利要求1所述的方法，其特征在于，所述训练数据集包括样本图像数据和所述样本图像数据对应的样本点云数据；所述初始模型包括初始图像分支、初始点云分支和初始融合对齐分支，所述融合对齐模型通过以下方式训练得到：
5.根据权利要求4所述的方法，其特征在于，所述根据所述样本图像特征和所述样本点云特征，确定重投影误差和特征匹配损失，包括：
6.根据权利要求1所述的方法，其特征在于，所述融合对齐模型包括目标图像分支、目标点云分支和目标融合对齐分支；
7.根据权利要求6所述的方法，其特征在于，所述目标图像分支包括卷积神经网络和全连接网络；
8.根据权利要求6所述的方法，其特征在于，所述目标融合对齐分支包括特征融合网
9.一种传感设备标定装置，其特征在于，所述装置包括：
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种传感设备标定方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述配置信息包括车辆尺寸信息和所述雷达设备的视场角信息；
3.根据权利要求2所述的方法，其特征在于，所述根据所述平移参数和所述旋转角度参数，对公开自动驾驶数据集进行数据增强处理，得到训练数据集，包括：
4.根据权利要求1所述的方法，其特征在于，所述训练数据集包括样本图像数据和所述样本图像数据对应的样本点云数据；所述初始模型包括初始图像分支、初始点云分支和初始融合对齐分支，所述融合对齐模型通过以下方式训练得到：
5.根据权利要求4所述的方法，其特征在于，所述根据所述样本图像特征和所...
【专利技术属性】
技术研发人员：明钰博，张操，苏星溢，
申请(专利权)人：重庆赛力斯凤凰智创科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。